python基礎之停用詞過濾詳解

更新時間：2021年04月20日 15:55:19 作者：一無所知的程序員

這篇文章主要介紹了python基礎之停用詞過濾詳解,文中有非常詳細的代碼示例,對正在學習python基礎的小伙伴們有很好地幫助,需要的朋友可以參考下

一、什么是停用詞

在漢語中，有一類沒有多少意義的詞語，比如組詞“的”，連詞“以及”、副詞“甚至”，語氣詞“吧”，被稱為停用詞。一個句子去掉這些停用詞，并不影響理解。所以，進行自然語言處理時，我們一般將停用詞過濾掉。

而HanLP庫提供了一個小巧的停用詞字典，它位于Lib\site-packages\pyhanlp\static\data\dictionary目錄中，名字為：stopwords.txt。該文本收錄了常見的中英文無意義的詞匯，每行一個詞語。示例如下：

我們在進行自然語言處理時，可以用BinTrie、DoubleArrayTrie和AhoCorasickDoubleArrayTrie中的任意一個來存儲詞典?？紤]到該詞典中都是短語且比較多，用雙數組字典樹更劃算，處理時間更快。

二、加載停用詞字典

通過前文的介紹，我們知道了使用雙數組字典樹加載停用詞字典更劃算。下面，我們來加載其停用詞，并返回鍵值對結構。代碼如下：

def load_dictionary(path):
    map=JClass('java.util.TreeMap')()
    with open(path,encoding='utf-8') as src:
        for word in src:
            word=word.strip()
            map[word]=word
    return JClass('com.hankcs.hanlp.collection.trie.DoubleArrayTrie')(map)

三、刪除停用詞

通過上面的停用詞加載，我們獲取了DoubleArrayTrie樹結構的詞匯。如果要刪除停用詞，可以直接使用分詞后的結果剔除停用詞即可。剔除的方法如下：

def remove_stopwords(termlist,trie):
    return [term.word for term in termlist if not trie.containsKey(term.word)]

四、分詞以及刪除停用詞

在前面的博文中，我們已經學會了如何分詞，現在我們又學會了如何剔除停用詞。這里，我們將兩者結合起來，實現分詞效果。代碼如下：

if __name__ == "__main__":
    HanLP.Config.ShowTermNature=False
    trie=load_dictionary(HanLP.Config.CoreStopWordDictionaryPath)
    text="今天就這樣吧！明天我們在說可以嗎？"
    segment=DoubleArrayTrieSegment()
    termlist=segment.seg(text)
    print("分詞結果",termlist)
    print("去掉停用詞",remove_stopwords(termlist,trie))

運行之后，得到如下結果：

五、直接刪除停用詞（不分詞）

對應上面的結果，我們先分詞在刪除停用詞。但是，有時候我們也喜歡先刪除停用詞在進行分詞。下面，我們來實現直接刪除停用詞。

代碼如下：

#直接過濾方法
def direct_remove_stopwords(text,replacement,trie):
    JString=JClass('java.lang.String')
    searcher=trie.getLongestSearcher(JString(text),0)
    offset=0
    result=''
    while searcher.next():
        begin=searcher.begin
        end=begin+searcher.length
        if begin>offset:
            result+=text[offset:begin]
            result+=replacement
            offset=end
    if offset<len(text):
        result+=text[offset:]
    return result


if __name__ == "__main__":
    HanLP.Config.ShowTermNature = False
    trie = load_dictionary(HanLP.Config.CoreStopWordDictionaryPath)
    text = "今天就這樣吧！明天我們在說可以嗎？"
    segment = DoubleArrayTrieSegment()
    termlist = segment.seg(text)
    print("分詞結果", termlist)
    print("去掉停用詞", remove_stopwords(termlist, trie))
    print("不分詞去掉停用詞", direct_remove_stopwords(text, "**", trie))

運行之后，效果如下：

運行結果